• 相关博文
  • 最新资讯
没有数据了...
  • 万字长文综述目标检测领域,你要的都在这里

    目标检测是计算机视觉中的一个重要问题,近年来传统检测方法已难以满足人们对目标检测效果的要求,随着深度学习在图像分类任务上取得巨大进展,基于深度学习的目标检测算法逐渐成为主流。

    2020.06.09 0
  • 基于轮廓调整的SOTA实例分割方法,速度达32.3fps | CVPR 2020

    实例分割是许多计算机视觉任务中的重要手段,目前大多数的算法都采用在给定的bbox中进行pixel-wise分割的方法。受snake算法和Curve-GCN的启发,论文采用基于轮廓的逐步调整策略,提出了Deep snake算法进行实时实例分割,该算法将初始轮廓逐渐优化为目标的边界,如图1所示,达到很好的性能且依然保持很高的实时性(32.3fps) 。

    2020.03.30 0
  • 64% 的企业未实现智能化,5成公司算法工程师团队规模小于 10人,AI 工程师的机遇在哪里?...

    从就业的角度来看,由于算法工程化才是商业落地的核心关键,因此拥有扎实工程化能力的算法工程师更受青睐。另一方面,由于深度学习是以大数据为基础的,而感知智能中的计算机视觉又是目前深度学习较为成熟的应用,所以,机器学习和深度学习工程师,以及数据工程师、计算机视觉工程师成为热门岗位。

    2020.03.25 0
  • 代替Mask R-CNN,BlendMask欲做实例预测任务的新基准?

    实例分割是一种基础视觉任务。在今天要为大家介绍的工作中,作者通过有效地将实例级信息与具有较低级细粒度的语义信息结合起来,提升了掩码预测精度。本文的主要贡献是提出了一个Blender模块,该模块从自上而下和自下而上的实例分割方法中汲取了灵感。由于该方法简单且有效,作者希望本文的BlendMask可以作为各种实例预测任务的基准。

    2020.01.08 0
  • 机器学习模型五花八门不知道怎么选?这份指南告诉你

    一般来说,基于树形结构的模型在Kaggle竞赛中是表现最好的,而其它的模型可以用于融合模型。对于计算机视觉领域的挑战,CNNs (Convolutional Neural Network, 卷积神经网络)是最适合不过的。而对于NLP(Natural Language Processing,自然语言处理),LSTMs或GRUs是最好的选择。下面是一个不完全模型细目清单,同时列出了每个模型的一些优缺点。

    2020.01.07 0
  • 从LeNet到GoogLeNet:逐层详解,看卷积神经网络的进化

    深度学习的兴起使卷积神经网络在计算机视觉方面大放异彩,本文将按时间和创新点顺序介绍一系列网络结构:LeNet、AlexNet、VGGNet、InceptionNet 与 ResNet。网络上大部分文章都只是草草讲述,本文小波仔仔细梳理,从问题的背景,网络结构,为什么设计这样的结构,参数数量各方面详细讲述CNN的进化之路。

    2020.01.06 0
  • 美还是丑?这有一个CNN开发的颜值评分器 | 实战

    在人工智能的发展越来越火热的今天,其中智能应用也在伴随着我们的生活,其中最具有代表性的便是图像识别,并且其中的应用比比皆是,如车站的人脸识别系统,交通的智能监控车牌号系统等等。而卷积神经网络作为图像识别的首选算法,对于图像的特征提取具有很好的效果,而TensorFlow作为Google的开源框架具有很好的结构化特征,而本篇文章将利用卷积神经网络算法对图像识别进行应用,开发出颜值评分器的功能。

    2019.11.12 0
  • AttoNets,一种新型的更快、更高效边缘计算神经网络

    在物体检测中的实验结果表明, 在使用更少的参数以及更低的计算花销的情况下,AttoNets 的效率与现有最优模型相当,并在准确率指标上大幅超越现有模型(与 MobileNet-V1相比,最小的 AttoNet 的准确率提升约 1.8%,使用的乘-加操作数和参数量减小了10倍)。另外,本文也在实例分割和物体探测应用中检测了 AttoNets 的效果,并发现与基于 ResNet-50 的 Mask R-Cnn 相比,通过使用基于 AttoNet的 Mask R-Cnn 网络,参数量和计算花销得到了大幅度降低(乘-加操作减少5倍,参数量减少2倍)。

  • 十年公务员转行IT,自学AI三年,他淬炼出746页机器学习入门笔记

    近期,梁劲传来该笔记重大更新的消息。《机器学习——从入门到放弃》这本笔记的更新没有停止,在基于上一版的基础上丰富了近 200 页计算机视觉领域的知识内容,目前最新版已达 746 页,累计下载近 8 万次。

    2019.11.06 0
  • 从一张风景照中就学会的SinGAN模型,究竟是什么神操作?| ICCV 2019最佳论文

    10 月 27 日-11 月 2 日,计算机视觉领域的顶级会议 International Conference on Computer Vision(ICCV)在首尔召开,10 月 29 日在大会上正式公布了最佳论文奖(Best Paper Award)由论文《SinGAN:从单张图像学习生成模型》(SinGAN: Learning a Generative Model from a Single Natural Image)获得,该论文介绍了一种无条件生成模型——SinGAN,它可以从单个自然图像中学习。该模型经过训练,可以捕获图像内斑块的内部分布,之后生成高质量、多样化的样本,视觉内容与原图像相同。用户研究证实,生成的样本通常可以假乱真,SinGAN 在各种图像处理任务中具有广泛的实用性。

    2019.11.06 0
  • ICCV 2019 | 中国研究者无缘最佳论文奖项,接收论文数量超美国,商汤57篇论文入选...

    10 月 27 日-11 月 2 日,计算机视觉领域的顶级会议 International Conference on Computer Vision(ICCV)在首尔召开,10 月 29 日在大会上正式公布了最佳论文奖(Best Paper Award)由论文《SinGAN:从单张图像学习生成模型》(SinGAN: Learning a Generative Model from a Single Natural Image)获得,最佳学生论文奖(Best Student Paper Award)则由《PLMP——完整的多视图可见性中的点线最小问题》(PLMP——Point-Line Minimal Problems in Complete Multi-View Visibility)获得。

    2019.10.30 0
  • 击败最新无监督域自适应方法,研究人员提轻量CNN新架构OSNet

    这篇论文《Learning Generalisable Omni-Scale Representations for Person Re-Identification》是一篇关于行人再识别领域的新研究(Person Re-Identification , re-ID)。这篇论文中,作者们提出了一个新的CNN架构——OSNet,在实验效果方面,这一新模型架构击败了最新的无监督域自适应方法。

    2019.10.21 0
  • 旷视张祥雨:高效轻量级深度模型的研究和实践 | AI ProCon 2019

    在CSDN 主办的 2019 中国 AI 开发者大会(AI ProCon 2019)计算机视觉技术专题中,旷视研究院主任研究员、基础模型组负责人张祥雨主要从轻量级架构、模型裁剪、模型搜索三大思路讲述了高效轻量级深度模型的研究和实践。

    2019.09.24 0
  • 论文推荐 | 目标检测中不平衡问题算法综述

    推荐一篇前几天新出的投向TPAMI的论文:Imbalance Problems in Object Detection: A Review,作者详细考察了目标检测中的不平衡问题(注意不仅仅是样本中的不平衡问题)及其解决方案,是目标检测领域目前最新的也是非常独特的综述。

    2019.09.17 0
  • 从服装关键点、信息检索、个性化推荐到智能试衣,电商AI技术如何进化?

    近日,ICCV DeepFashion2 Challenge 2019公布了比赛结果,首次参赛的美图影像实验室MTlab凭借其在综合检测精度上的优势,以明显差距斩获服饰关键点估计(Landmark Estimation)赛道的冠军。DeepFashion2 Challenge此次共吸引18支国内外顶级技术团队参与,包括清华大学、阿里巴巴等知名企业及学术机构。

    2019.09.12 0
  • 姚班三兄弟3万块创业八年,旷视终冲刺港股

    此前据传旷视融资额或高达 10 亿美元。CV 智识曾于今年 7 月份独家报道过当时旷视正谋求同股不同权赴港上市,且距离上市已非常接近。不到两个月的时间,旷视正式公布其上市计划。

    2019.08.27 0
  • 超阿里、大华,澎思科技行人再识别(ReID)技术刷新三大数据集记录

    近日,在行人再识别(Person Re-identification,简称ReID)算法上澎思科技取得了突破,在三大主流ReID数据集测试Market1501、DukeMTMC-reID和CUHK03中,算法关键指标首位命中率(Rank-1 Accuracy)刷新了世界纪录。

  • 你是个成熟的C位检测器了,应该可以自动找C位了

    在包含众多人像的照片中,由于每个人的穿着和动作各异,同时人与人之间存在各种交互信息,以及所处的场景不同,我们通过肉眼来确定C位的时候可能会出现各种偏差。在人工智能快速发展的今天,我们能否可以通过AI来自动找出C位呢?答案当然是肯定的。在这篇文章中,我们将介绍如何利用计算机视觉和深度学习技术构建一个性能优异的C位检测器,从而快速准确地在一群人中发现真正站C位的那个最重要的人。

每页显示 共32条数据 < 1 2 >      到第 GO